得墨忒耳定律 - 需要内部表示？

Question

想象一下，我们有一个班级“NeuralNetwork”

• 每个NeuralNetwork由图层
组成
• 每层由神经元组成

• 每个神经元由权重，偏差和激活函数组成

  class Neuron:
      def __init__(self,weights,bias,activation):
          self._weights = weights
          self._bias = bias
          self._activation = activation
  
      def activate(self,input):
          return self._activation.compute(self._weights.dot(input)+self._bias)
  
  
  class Layer:
      def __init__(self,neurons):
          self._neurons = neurons
  
      def compute(self,input):
          output = []
          for neuron in self._neurons:
              output.append(neuron.activate(input))
          return output
  
  
  class NeuralNetwork:
      def __init__(self,layers):
          self._layers = layers
  
      def compute(self,input):
          output = input
          for layer in self._layers:
              output = layer.compute(output)
          return output
  
      def train(self,dataset):
          # do some training
          # changes the neurons inside the layers
  

NeuralNetwork有一个方法train（）来改变它的内部表示。 但这意味着可以访问Layer对象的内部。它需要访问单个神经元，违反了demeter的规律。 例如

layers[0].getNeuron(0).compute(input)

layer[0].getNeuron(0).changeBias(2)

我能想到的唯一解决方案是在“Layer”中提供额外的方法并将其委托给神经元。这也允许我使用Layer接口的不同实现。一个更灵活，一个具有更好的性能。

但这看起来很麻烦。是不是有更好的方法来模拟这个？

Answer 1

第一种可能的解决方案是添加一些委托方法。

从Amr Mostafa的评论中提取的第二个解决方案是通过Layer对象向神经元发送事件。

两种解决方案都允许我们使用不同的Layer对象，该对象由多维数组而不是神经元对象组成（性能考虑）。